كيف ساهم التنقيب عن البيانات في تشخيص الإصابة بالسرطان؟

تعرف الشبكات التوليدية التنافسية GANs بأنها الخوارزميات المسؤولة عن تقنية التزييف العميق التي تؤدي إلى إنتاج فيديوهات مزيفة، لذا فقد اكتسبت بعضَ السمعة السيئة في الآونة الأخيرة، إلا أن من الممكن لقدرتها على تجميع صور واقعية جداً أن يكون لها فوائد مهمة للتشخيص الطبي.

تتميّز خوارزميات التعلم العميق بإمكانية مطابقة الأنماط في الصور؛ إذ يمكن تدريبها على اكتشاف مختلف أنواع السرطانات في صور الأشعة المقطعية، والتمييز بين الأمراض في صور الرنين المغناطيسي، والكشف عن الشذوذات في صور الأشعة السينية. ولكن لا يتوافر لدى الباحثين غالباً بيانات كافية للتدريب بسبب المخاوف المتعلقة بالخصوصية. وهنا يأتي دور الشبكات التوليدية التنافسية، التي يمكنها تجميع عدد أكبر من الصور الطبية التي لا يمكن تمييزها عن الصور الحقيقية، مما يضاعف حجم مجموعة البيانات بشكل فعال ليصل إلى المقدار اللازم.

ولكن هناك تحدّ آخر رغم ذلك؛ إذ يلزم تدريب خوارزميات التعليم العميق على صور عالية الدقة من أجل إنتاج أفضل التنبؤات، إلا أن تجميع هذه الصور عالية الدقة (وخاصة بالأبعاد الثلاثية) يستهلك الكثير من الطاقة الحاسوبية، وهذا يعني أن الأمر يتطلب أجهزة خاصة ومكلفة، مما يجعل استخدامه على نطاق واسع في المستشفيات غير عملي.

ولهذا اقترح باحثون من معهد المعلوماتية الطبية بجامعة لوبيك طريقةً جديدة لجعل العملية أخفّ بكثير، فقاموا بتقسيمها إلى مراحل؛ حيث تقوم الشبكات التوليدية التنافسية أولاً بإنشاء الصورة بأكملها بدقة منخفضة، ثم تقوم بإنشاء التفاصيل بالدقة المناسبة لكل مقطع صغير على حدة. وأظهر الباحثون من خلال التجارب أن طريقتهم أدت إلى إنشاء صور واقعية عالية الدقة ثنائية وثلاثية الأبعاد بواسطة أجهزة حاسوبية ضعيفة، كما أظهرت أيضاً أن النفقات ظلت ثابتة بغض النظر عن حجم الصورة.